論文の概要: CVTA: Cross-Variable Temporal Attention for Multivariate Irregular Time Series Prediction

• arxiv url: http://arxiv.org/abs/2610.25584v1
• Date: Sun, 18 Oct 2026 23:21:32 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:21:40.862868
• Title: CVTA: Cross-Variable Temporal Attention for Multivariate Irregular Time Series Prediction
• Title（参考訳）: CVTA:多変量不規則時系列予測のための多変量時間注意法
• Abstract要約: 本稿では,短期的かつ連続的な予測フレームワークであるCross-Variable Temporal Attention (CVTA)を紹介する。 CVTAは、変数間の最近の時間的ダイナミクスを要約するコンパクトで解釈可能な状態から予測関数を学習する。
• 参考スコア（独自算出の注目度）: 0.9883261192383609
• License:
• Abstract: Irregularly sampled multivariate time series arise in many real-world domains such as healthcare, climate science, and large-scale monitoring systems. Characterized by asynchronous observations and heterogeneity across variables, such time series pose significant challenges for forecasting. In this work, we introduce Cross-Variable Temporal Attention (CVTA), a short-term, continuous-time forecasting framework that learns prediction functions from its compact, interpretable state summarizing recent temporal dynamics across variables. CVTA uses Variable-Conditioned Embeddings to project heterogeneous variables into variable-specific latent spaces, and applies temporal attention to capture cross-variable dependencies from this state. Furthermore, we demonstrate that CVTA can be integrated as an auxiliary module into existing state-of-the-art prediction models through a dynamic meta-decision model. Extensive experiments on multiple real-world benchmarks show that CVTA achieves strong short-term predictive accuracy, supports efficient online inference, improves existing prediction models when used as an auxiliary module, and learns attention patterns that align well with domain knowledge.
• Abstract（参考訳）: 不規則にサンプル化された多変量時系列は、医療、気候科学、大規模監視システムなど、多くの現実世界の領域で発生している。 非同期観測と変数間の不均一性によって特徴づけられる時系列は、予測に重大な課題を生じさせる。 本稿では,変数間の最近の時間的ダイナミクスを要約したコンパクトで解釈可能な状態から予測関数を学習する,短期的かつ連続的な予測フレームワークであるCVTAを紹介する。 CVTAは変数定義の埋め込みを使用して、異種変数を変数固有の潜在空間に投影し、時間的注意を払って、この状態から異種依存関係をキャプチャする。 さらに,CVTAは動的メタ決定モデルを用いて,既存の最先端予測モデルに補助モジュールとして統合可能であることを示す。 複数の実世界のベンチマークにおいて、CVTAは強力な短期予測精度を達成し、効率的なオンライン推論をサポートし、補助モジュールとして使用する場合の既存の予測モデルを改善し、ドメイン知識と整合した注意パターンを学ぶ。

関連論文リスト

• QiYao-I: A Manifold Based Foundation Model for Irregular Multivariate Time Series Forecasting [17.796189355908506]
  本稿では,不規則時系列予測のための多様体ベース基礎モデルであるQiYao-Iを提案する。 本稿では,実時間スタンプを学習可能な時間的多様体特徴空間にマッピングする,サンプリング条件付き時間的多様体アテンション機構を提案する。 実験の結果,QiYao-Iは時系列基礎モデルとエンドツーエンドの不規則予測モデルの両方と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2026-10-03T06:16:59Z)
• Multivariate Time Series Forecasting needs Cross Variable Loss [11.325603740473376]
  クロス変数グラフ上の予測残差を制約するプラグイン構造正規化器を提案する。 CvLossは、予測パッチに対するエッジワイド残差の矛盾をペナルティ化し、同期と非同期の両方のインタラクションの一貫性を奨励する。 実験の結果、CvLossは競争予測モデルの改善を一貫して行い、代表的学習目標を上回り、様々な予測バックボーンと互換性があることが判明した。
  論文  参考訳（メタデータ） (2026-08-06T08:22:45Z)
• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• Improving Day-Ahead Grid Carbon Intensity Forecasting by Joint Modeling of Local-Temporal and Cross-Variable Dependencies Across Different Frequencies [3.1953619915392246]
  グリッドカーボン強度係数(CIF)の正確な予測は、現代の電力システムにおける需要側管理と排出削減に不可欠である。 ディープラーニングベースの手法の進歩にもかかわらず、きめ細かい局所的依存関係を捉えることは依然として困難である。 2つの並列モジュールを統合する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2026-01-10T11:20:55Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Robust Multivariate Time Series Forecasting against Intra- and Inter-Series Transitional Shift [40.734564394464556]
  本稿では,時系列内/時系列間の相関関係を統合的に把握し,時変遷移分布をモデル化するための統一確率グラフモデルを提案する。 6つの高定常MTSデータセットに対する広範囲な実験により、JointPGMの有効性と効率を検証した。
  論文  参考訳（メタデータ） (2024-07-18T06:16:03Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• DRAformer: Differentially Reconstructed Attention Transformer for Time-Series Forecasting [7.805077630467324]
  時系列予測は、機器ライフサイクル予測、天気予報、交通フロー予測など、多くの現実シナリオにおいて重要な役割を果たす。 最近の研究から、様々なトランスフォーマーモデルが時系列予測において顕著な結果を示したことが観察できる。 しかし、時系列予測タスクにおけるトランスフォーマーモデルの性能を制限する問題がまだ残っている。
  論文  参考訳（メタデータ） (2022-06-11T10:34:29Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。